基于极限学习机的目标跟踪算法的研究

摘要

视觉目标跟踪是计算机视觉领域的研究热点，同时也是研究难点。如今，视觉目标跟踪在智能监控、无人驾驶、军事、内容检索、人机交互等相关领域都有着重要的应用价值。本文针对目标跟踪中存在的问题，深入研究极限学习机的机理，并将其引入到目标跟踪中，实现了目标在遮挡、形变、光照变化等情况下的有效跟踪。
　　论文主要工作如下:
　　(1)首先简介了极限学习机的原型及其用途，再分别概括了几种改进极限学习机性能的变形算法，并对比了各个算法的优缺点。然后介绍了稀疏表示理论，给出了几种典型的求解算法，列出了其在目标跟踪领域中的应用。
　　(2)针对视觉跟踪过程中遇到的形变和遮挡问题，提出了一种基于分层极限学习机和自适应结构化局部稀疏外貌模型的目标跟踪算法。分层极限学习机是对极限学习机（Extreme Learning Machine，ELM）的改进，先通过基于ELM的稀疏自编码器来提取鲁棒特征，再将提取的特征通过在线ELM实现快速准确的分类。对分类后正样本粒子计算置信值，去除大部分属于背景的粒子，降低了跟踪算法计算量。自适应结构化稀疏外貌模型采用一种对齐池化可以同时利用目标的局部信息和空间信息，不仅可以使跟踪结果更加准确而且可以有效的解决部分遮挡问题。另外，针对目标可能在跟踪过程中发生形变，对模板更新采用一种结合稀疏表示和增量主成分分析的方法。
　　(3)基于核极限学习机训练的模型具有速度快、高鲁棒性的特点，本文在多核学习框架下结合Boosting算法提出一种新的分类方法并将其应用到视觉跟踪，采用核极限学习机作为基分类器来提高分类器训练速度和鲁棒性。为了得到鲁棒的分类器，在每次Boosting迭代过程中通过学习一个弱分类器，迭代T次得到T个弱分类器，最终将所有弱分类器组合得到鲁棒的强分类器。采用Boosting算法的可以避免传统的多核学习求解复杂的最优化求解问题来得到组合系数，而Boosting算法则只需要简单的计算分类误差，从而提升了目标跟踪的速度和分类器的鲁棒性。

目录

声明

致谢

摘要

第一章 绪论

1．1 目标跟踪研究的研究背景及意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 目标跟踪分类

1．4 目标跟踪中的技术难点

1．5 本文主要研究内容和章节安排

第二章 极限学习机与稀疏表示理论

2．1 极限学习机的理论基础

2．2 极限学习机的改进算法

2．2．1 结构增长型与结构递减型极限学习机

2．2．2在线极限学习机

2．2．3 正则化极限学习机

2．2．4 核极限学习机

2．2．5 极限学习机小结

2．3 稀疏表示理论

2．3．1 稀疏表示的数学模型

2．3．2 稀疏表示的求解算法

2．3．3 稀疏表示的应用

2．4 本章小结

第三章 基于分层极限学习机和局部稀疏模型的视觉跟踪

3．1 粒子滤波理论

3．1．1 贝叶斯滤波理论

3．1．2 粒子滤波算法

3．2 基于分层极限学习机和局部稀疏模型的视觉跟踪算法

3．2．1 分层极限学习机

3．2．2分类器的训练与更新

3．2．3 自适应结构稀疏外貌模型

3．3．4 模板更新

3．3 算法具体步骤’

3．4 实验结果与分析

3．4．1 定量对比

3．4．2 定性比较

3．5 本章小结

第四章 基于极限学习机和Boosting多核学习的目标跟踪

4．1 Boosting算法和多核学习

4．1．1 Boosting算法

4．1．2 核函数

4．1．3 多核学习

4．2 基于极限学习机和Boosting多核学习的目标跟踪算法

4．2．1 确定性脚

4．2．2 核函数采样MKB

4．2．3 算法具体步骤

4．3 实验结果与分析

4．3．1 定量对比

4．3．2 定性比较

4．4 本章小结

第五章 总结与展望

5．1 工作总结

5．2 未来展望

参考文献

攻读硕士学位期间的学术活动及成果情况